联邦学习

简介

联邦学习(Federated Learning)是一种分布式机器学习方法,多个参与方在不共享原始数据的前提下协作训练一个共享模型。其核心理念是「数据不动模型动」,从而兼顾模型效果与数据隐私。

原理

各客户端在本地数据上训练,仅将模型参数或梯度上传至中央服务器,服务器聚合后下发更新,反复迭代。为防止从参数反推数据,常结合差分隐私、安全聚合与同态加密等技术。按数据分布可分为横向、纵向与迁移联邦学习。

应用

• 手机输入法的个性化预测
• 跨医院的医疗模型联合建模
• 银行间风控与反欺诈
• 物联网设备端智能

现状

联邦学习已成为隐私计算的重要分支,在数据合规要求日益严格的背景下受到广泛重视。挑战包括通信成本高、数据异构导致收敛困难、以及潜在的模型投毒攻击,相关防护机制仍在持续完善。